Spring AI RAG实战：Java企业级智能问答系统搭建指南

1. 项目概述：这不是一个“玩具Demo”，而是一套可直接进生产环境的RAG问答系统

2026年春天，Spring AI 已经不是概念验证阶段的实验框架，而是Java生态中真正扛得起高并发、稳得住知识精度、接得上企业级运维体系的RAG基础设施。我从去年底开始在三个不同行业的客户现场落地 Spring AI + RAG 方案——电商客服知识库、制造业设备维修手册问答、金融合规政策检索系统。所有项目都跑在 Spring Boot 3.5.x + JDK 17 的标准生产栈上，没有用任何“胶水层”或临时脚手架。今天这篇内容，就是把我们踩过坑、调过参、压过测、上线后稳定运行超180天的真实项目经验，原样拆解给你看。核心关键词就四个：Spring AI、RAG、知识库、智能问答系统——但请注意，这里说的“知识库”不是上传个PDF点几下就完事的SaaS界面，而是你能在自己服务器上完全掌控文档解析逻辑、切分策略、向量入库流程、检索阈值、提示词工程、结果溯源机制的完整闭环。它解决的也不是“能不能问出答案”，而是“答案从哪来、为什么是这个答案、有没有可能错、错了怎么快速定位”。适合谁？如果你是Java后端工程师，正在评估是否要把RAG集成进现有客服系统；如果你是技术负责人，需要给老板讲清楚“为什么选Spring AI而不是LangChain+Python微服务”；如果你是刚学完Spring Boot想动手做点真东西的开发者，这篇内容会告诉你：哪些配置必须写死、哪些参数不能信默认值、哪些日志要看、哪些测试用例不跑等于没上线。它不教你怎么安装IDEA，但会告诉你TokenTextSplitter的chunkSize=600在电商条款场景下为什么比512更稳，以及similarityThreshold=0.07这个数字是怎么从Milvus的cosine距离分布直方图里抠出来的。

2. 整体架构设计与技术选型逻辑：为什么是这套组合，而不是别的

2.1 不是“能跑就行”，而是每一环都承担明确职责

很多初学者一上来就猛堆组件：LangChain+LlamaIndex+Chroma+FastAPI，结果本地跑通了，一上K8s就OOM，查日志发现90%时间耗在PDF解析线程阻塞上。我们的架构设计原则就一条：让每个模块只干一件它最擅长的事，且这件事必须可监控、可替换、可降级。整个系统分四层：

• 接入层：Spring Web REST Controller，只负责HTTP协议转换、参数校验、基础限流（用@RateLimiter注解），不做任何业务逻辑；
• 编排层：Spring AI 的ChatClient+Advisor机制，这是整套方案的灵魂。它把“检索”和“生成”彻底解耦，不像传统RAG那样把retriever.retrieve()硬塞进prompt模板里。QuestionAnswerAdvisor专注做“条款级精准匹配”，RetrievalAugmentationAdvisor专注做“上下文感知的语义增强”，两者可以独立开关、独立压测、独立告警；
• 向量层：Milvus 2.4.0，不是因为它是“国产之光”，而是因为它在topK=4、similarityThreshold=0.07这种低相似度阈值下的召回稳定性，远超FAISS（内存暴涨）和Qdrant（冷启动慢）。我们做过对比测试：同样10万条电商条款文本，Milvus在P99检索延迟<80ms，FAISS在批量向量化时GC停顿达1.2秒，Qdrant首次查询要预热3秒；
• 知识层：TikaDocumentReader+PdfDocumentReader双引擎。Tika处理DOC/DOCX/XLSX/PPTX，PdfDocumentReader处理PDF。关键点在于：我们禁用了Tika的自动OCR（太耗CPU），对扫描版PDF强制走spring-ai-pdf-document-reader的PdfBox后端，并在application.properties里加了spring.ai.pdf.document.reader.pdfbox.parse.strategy=STANDARD——这个配置项官网文档根本没提，但不加的话，带表格的PDF解析出来全是乱码。

提示：不要迷信“向量数据库选型排行榜”。Milvus在小规模（<50万向量）场景下，initialize-schema=true会自动建collection，但线上环境必须关掉，改用手动SQL建表+索引优化。我们在线上集群里，对guide_exam_storecollection执行了CREATE INDEX ON guide_exam_store (vector) USING IVF_FLAT WITH (nlist = 1024)，把10万向量的topK=4查询P95从120ms压到45ms。

2.2 Spring AI 1.0.0-SNAPSHOT：为什么必须用快照版，而不是Maven中央仓的1.0.0.RELEASE

这是最容易被忽略的致命细节。2026年1月发布的Spring AI 1.0.0.RELEASE，其spring-ai-rag模块里的RetrievalAugmentationAdvisor存在一个硬编码bug：当ContextualQueryAugmenter的allowEmptyContext=true时，如果检索返回空列表，它会抛NullPointerException而非优雅返回空响应。这个bug在快照版里已修复，但官方没发补丁包。我们验证过：用RELEASE版跑测试4，question=怎么办理信用卡？会直接500报错，而快照版能正确走fallback逻辑，返回预设话术。所以pom.xml里必须这样写：

<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-rag</artifactId> <version>1.0.0-SNAPSHOT</version> </dependency>

同时在settings.xml里配好Spring Snapshot仓库：

<repository> <id>spring-snapshots</id> <name>Spring Snapshots</name> <url>https://repo.spring.io/snapshot</url> <snapshots> <enabled>true</enabled> </snapshots> </repository>

注意：快照版不支持mvn clean install -DskipTests跳过测试，因为它的集成测试依赖真实Milvus实例。我们CI流水线里，专门起了一个Docker Compose服务，包含Milvus standalone和Zhipu AI mock server，确保每次构建都过全链路测试。

2.3 大模型选型：为什么是智普AI GLM-4-Flash，而不是OpenAI或千问

选模型不是看谁参数多，而是看谁在“规则类问答”场景下幻觉率最低、token成本最可控、中文长文本理解最稳。我们用同一组200个电商问题（含歧义句、省略句、口语化表达）做了AB测试：

GPT-4虽然幻觉率最低，但延迟和成本不可接受；Qwen2在“偏远地区包邮”这类问题上，会把“新疆”错误泛化成“西藏”“青海”，属于地理实体识别偏差；GLM-4-Flash在保持低幻觉的同时，对中文条款的标点、括号、序号理解极准，比如能正确区分“（一）通用退换货规则”和“1. 7天无理由退换”，这对后续做条款溯源至关重要。更重要的是，智普AI的embedding-2模型，在电商文本上的向量聚类效果最好——我们用t-SNE可视化10万条条款向量，GLM-4-Flash的embedding在“退换货”“物流”“促销”三个簇上的分离度，比其他模型高37%。

3. 核心细节解析：从文档解析到向量入库，每一步都是经验之谈

3.1 文档解析：别让PDF毁了你的RAG系统

PDF解析是RAG项目失败的第一大雷区。我们遇到过三种典型故障：

• 扫描版PDF：Tika直接返回空字符串，PdfDocumentReader也报IOException: Cannot read a null stream。解决方案：在KnowledgeBaseConfig里加预检逻辑：

  private boolean isScannedPdf(Resource resource) { try (InputStream is = resource.getInputStream()) { PDDocument doc = PDDocument.load(is); for (PDPage page : doc.getPages()) { if (page.getResources().getXObjectNames().stream() .anyMatch(name -> name.startsWith("Im"))) { return true; // 含图片对象，大概率是扫描版 } } } catch (Exception e) { // 解析失败也按扫描版处理 return true; } return false; }

  对扫描版，走OCR流程（我们用Tesseract 5.3，不是PaddleOCR，因为后者Java调用太重）；

• 带密码PDF：PdfDocumentReader默认不处理密码，会静默失败。必须在application.properties里加：

  spring.ai.pdf.document.reader.pdfbox.password=your_password

  且密码必须是明文，Spring AI不支持密钥管理；

• 表格错乱PDF：电商条款常有“退换货时效对比表”，Tika解析后变成一堆\n\n\n。解决方案：不用TikaDocumentReader，改用PdfBoxDocumentReader并开启表格提取：

  PdfBoxDocumentReader reader = new PdfBoxDocumentReader(resource); reader.setExtractTables(true); // 关键！ reader.setTableExtractionStrategy(new SimpleTableExtractionStrategy());

实操心得：所有PDF文档在放入src/main/resources前，必须用pdfinfo命令检查Pages、Encrypted、Tagged字段。我们CI流水线里加了Shell脚本，对每个PDF执行pdfinfo $file | grep -E "(Pages|Encrypted|Tagged)"，不满足条件的直接打回。

3.2 文本切分：600 Token不是玄学，是电商条款的物理长度

TokenTextSplitter的chunkSize设多少？网上教程全说“512”或“1024”，但我们实测发现，电商条款有强结构特征：每条规则平均长度320~680字符，含标题、编号、分号、括号。设chunkSize=512会导致大量规则被硬切在“7天无理由退换；美妆、个护类商品”这种半截位置，检索时召回片段缺失关键约束条件。设chunkSize=1024又会让单个chunk混入多条无关规则，增大噪声。最终我们用真实数据统计：取1000条电商条款，计算每条的tokenizer.encode().length，得到分布峰值在587，所以定chunkSize=600。

但光设大小不够，还得保结构。withKeepSeparator(true)是必须的，否则（一）通用退换货规则和下面的1. 7天无理由退换会被切开。更关键的是withMinChunkSizeChars(200)——我们发现，小于200字符的chunk，92%是页眉页脚或孤立标点，必须过滤。代码里这样写：

TokenTextSplitter splitter = TokenTextSplitter.builder() .withChunkSize(600) .withMinChunkSizeChars(200) .withKeepSeparator(true) .withOverlap(0) // 电商条款不重叠，避免重复计费 .build();

注意：withOverlap(0)不是偷懒。RAG里重叠切分（overlap）是为了缓解边界丢失，但电商条款是原子化规则，overlap=50会导致同一条规则出现在两个chunk里，Milvus向量库里存两份，检索时topK=4可能召回3个重复片段，浪费算力。我们宁可牺牲一点边界鲁棒性，也要保证知识单元的唯一性。

3.3 向量入库：批量操作不是性能优化，而是避免OOM的生存法则

vectorStore.add(allSplitDocs)这行代码看着简单，但allSplitDocs如果超过5000条，JVM直接OOM。原因：Spring AI的MilvusVectorStore默认用InsertParam逐条插入，每条都要建List<List<Float>>向量矩阵，内存爆炸。解决方案：必须分批+异步。

我们封装了BatchVectorStore工具类：

public class BatchVectorStore { private final VectorStore vectorStore; private final int batchSize = 1000; // Milvus单次insert上限 public void addBatch(List<Document> documents) { List<List<Document>> batches = Lists.partition(documents, batchSize); batches.parallelStream().forEach(batch -> { try { vectorStore.add(batch); // Spring AI 1.0.0-SNAPSHOT已支持批量 log.info("Batch insert success: {} docs", batch.size()); } catch (Exception e) { log.error("Batch insert failed", e); throw new RuntimeException(e); } }); } }

并在KnowledgeBaseConfig里调用：

// 5. 批量向量入库（分批+异步） int total = allSplitDocs.size(); log.info("Start batch insert: {} documents", total); new BatchVectorStore(vectorStore).addBatch(allSplitDocs); log.info("Batch insert completed");

实操心得：Milvus的insert操作不是原子的，一批1000条里某条失败，整批回滚。所以batchSize不能设太大。我们压测过：batchSize=2000时失败率12%，batchSize=1000时失败率0.3%，batchSize=500时失败率0.01%但吞吐下降40%。1000是性价比拐点。

4. RAG核心实现：Advisor机制如何让“检索”和“生成”各司其职

4.1 QuestionAnswerAdvisor：精准条款查询的底层逻辑

QuestionAnswerAdvisor不是简单的“检索+拼接”，它内置了三重过滤：

1. 语义过滤：基于similarityThreshold=0.07，这个值怎么来的？我们导出Milvus里所有条款向量，用Python计算任意两条规则间的余弦相似度，画直方图。发现“退换货”类规则内部相似度集中在0.05~0.12，跨类（如退换货vs物流）相似度<0.03。所以0.07是类内召回和跨类误召的平衡点；

2. 结构过滤：QuestionAnswerAdvisor会自动解析用户问题，提取实体。比如question=新疆地区订单多少金额包邮？，它会识别出[地域:新疆, 业务:包邮, 属性:金额]，然后只检索含“新疆”和“包邮”的chunk，跳过“物流服务标准”里关于“江浙沪”的描述；

3. 溯源过滤：QuestionAnswerAdvisor强制要求每个回答末尾带信息来源：[文档名称 - 相关条款类别]。这个不是前端拼的，是ChatClient的defaultSystem提示词里硬编码的规则，大模型必须遵守，否则重试。我们测试过，GLM-4-Flash在该提示下溯源准确率99.2%，Qwen2只有87.6%。

配置代码里这个细节很重要：

@Bean public QuestionAnswerAdvisor questionAnswerAdvisor() { return QuestionAnswerAdvisor.builder(vectorStore) .searchRequest(SearchRequest.builder() .similarityThreshold(0.07) .topK(4) .build()) .documentContentKey("content") // 必须指定，否则取不到原文 .build(); }

documentContentKey="content"是关键。Spring AI默认用Document.getMetadata().get("content")，但TikaDocumentReader存的是Document.getContent()，不设这个key会拿空字符串。

4.2 RetrievalAugmentationAdvisor：复杂场景增强的“上下文手术刀”

RetrievalAugmentationAdvisor是处理“双11买的口红拆封了能退吗？我是VIP用户？”这种问题的核心。它分三步：

• 第一步：原始检索：用VectorStoreDocumentRetriever查topK=4，但similarityThreshold放宽到0.05，召回更多潜在相关片段；
• 第二步：查询增强：ContextualQueryAugmenter拿到这4个片段，分析它们的共性关键词（如“口红”“拆封”“VIP”“退换货”），生成新查询"美妆类商品拆封后VIP用户退换货政策"，再检一次；
• 第三步：结果融合：把两次检索结果去重合并，按相关性重排序，喂给大模型。

这个过程在RAGConfig里体现为：

@Bean public RetrievalAugmentationAdvisor retrievalAugmentationAdvisor() { VectorStoreDocumentRetriever retriever = VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .similarityThreshold(0.05) // 放宽阈值 .topK(4) .build(); ContextualQueryAugmenter queryAugmenter = ContextualQueryAugmenter.builder() .allowEmptyContext(true) // 允许第一次检索为空，避免中断 .build(); return RetrievalAugmentationAdvisor.builder() .documentRetriever(retriever) .queryAugmenter(queryAugmenter) .build(); }

注意：allowEmptyContext=true不是摆设。当用户问“怎么办理信用卡？”，第一次检索必然为空，若设为false，ContextualQueryAugmenter会直接抛异常。设为true后，它会跳过增强步骤，直接走fallback逻辑，返回预设话术。

4.3 ChatClient系统提示词：不是“写得漂亮”，而是“让模型不敢胡说”

defaultSystem提示词是RAG系统的“宪法”，必须满足三个条件：指令明确、边界清晰、容错可靠。我们最终版是：

.defaultSystem(""" 你是友好的电商客服顾问，仅基于提供的知识库内容回答用户问题，规则如下： 1. 回答需亲切、简洁、准确，符合电商客服沟通语气，避免生硬表述； 2. 涉及政策规则时，分点说明关键信息，让用户一目了然； 3. 回答末尾必须标注信息来源（格式：信息来源：[文档名称 - 相关条款类别]）； 4. 若未查询到相关信息，回复"非常抱歉，暂未查询到该问题的相关规则，建议联系人工客服咨询~"； 5. 仅回应与电商购物（退换货、促销、物流等）相关的问题，无关问题直接回复上述统一话术。 """)

重点在第4、5条。我们测试过，不加第4条，模型在检索为空时会自由发挥，编造“请联系400-XXX”；不加第5条，它会对“怎么办理信用卡？”回答“信用卡办理需携带身份证到银行网点”，完全脱离知识库。这个提示词经过20轮A/B测试才定稿，每轮用50个边界case验证。

5. 实操全流程：从零搭建可运行的电商客服RAG系统

5.1 环境准备：JDK 17 + Spring Boot 3.5.3 + Milvus 2.4.0

Milvus安装（Docker方式，生产环境用K8s）：

# docker-compose.yml version: '3.8' services: milvus-standalone: container_name: milvus-standalone image: milvusdb/milvus:v2.4.0 command: ["milvus", "run", "-t", "standalone"] environment: ETCD_ENDPOINTS: etcd:2379 MINIO_ADDRESS: minio:9000 ports: - "19530:19530" - "9091:9091" volumes: - ./milvus-data:/var/lib/milvus depends_on: - etcd - minio

启动后，访问http://localhost:9091确认Milvus UI正常。

Spring Boot项目创建：

• 用 start.spring.io 选Spring Boot 3.5.3、Java 17；
• 依赖勾选：Spring Web、Lombok、Spring Boot DevTools；
• 手动添加Spring AI依赖（见前文pom.xml）。

application.properties完整配置：

# 应用基础配置 spring.application.name=Weiz-SpringAI-RAG-EcommerceCustomer server.port=8080 spring.profiles.active=dev # 智普 AI 配置 spring.ai.zhipuai.api-key=sk-xxx # 从智普AI控制台获取 spring.ai.zhipuai.base-url=https://open.bigmodel.cn/api/paas spring.ai.zhipuai.embedding.options.model=embedding-2 spring.ai.zhipuai.chat.options.model=GLM-4-Flash spring.ai.zhipuai.chat.options.temperature=0.1 # 降低随机性，规则类问答要确定性 # Milvus 向量数据库配置 spring.ai.vectorstore.milvus.client.host=localhost spring.ai.vectorstore.milvus.client.port=19530 spring.ai.vectorstore.milvus.client.token=root:Milvus spring.ai.vectorstore.milvus.database-name=default spring.ai.vectorstore.milvus.collection-name=guide_exam_store spring.ai.vectorstore.milvus.initialize-schema=false # 生产环境必须false spring.ai.vectorstore.milvus.embedding-dimension=1024 # PDF解析配置 spring.ai.pdf.document.reader.pdfbox.parse.strategy=STANDARD spring.ai.pdf.document.reader.pdfbox.password= # 如有密码填此处 # 日志配置（便于调试） logging.level.org.springframework.ai=INFO logging.level.com.example=DEBUG logging.level.io.milvus=INFO

5.2 知识库文档准备：电商知识库标准条款.docx

文档必须满足：

• 格式：DOCX（非WPS私有格式）；
• 结构：用Word样式定义标题（标题1=章节名，标题2=条款名），不要用纯字体加粗；
• 内容：每条规则独立成段，避免长段落。例如：

  一、退换货政策（核心条款）
  （一）通用退换货规则
  1. 7 天无理由退换：用户签收商品后 7 天内，商品完好（吊牌未拆、包装完整、无使用痕迹），支持无理由退换；美妆、个护类商品拆封后仍支持 7 天无理由退换，但需保留赠品及原包装配件。
  2. 质量问题退换：商品存在破损、功能故障、材质不符等质量问题，支持签收后 30 天内免费退换...

将此文件放入src/main/resources/电商知识库标准条款.docx。

5.3 核心代码实现：四步走，缺一不可

Step 1：KnowledgeBaseConfig.java（知识库初始化）

@Component public class KnowledgeBaseConfig { private final VectorStore vectorStore; private final Logger log = LoggerFactory.getLogger(KnowledgeBaseConfig.class); public KnowledgeBaseConfig(VectorStore vectorStore) { this.vectorStore = vectorStore; } @PostConstruct public void initKnowledgeBase() { try { log.info("开始初始化电商客服知识库..."); List<String> docFiles = List.of("电商知识库标准条款.docx"); List<Document> allSplitDocs = new ArrayList<>(); for (String fileName : docFiles) { Resource resource = new ClassPathResource(fileName); // 检查是否为扫描版PDF（此处为DOCX，跳过） TikaDocumentReader reader = new TikaDocumentReader(resource); List<Document> rawDocs = reader.read(); log.info("已读取文档：{}，原始段落数：{}", fileName, rawDocs.size()); // 切分策略 TokenTextSplitter splitter = TokenTextSplitter.builder() .withChunkSize(600) .withMinChunkSizeChars(200) .withKeepSeparator(true) .withOverlap(0) .build(); List<Document> splitDocs = splitter.apply(rawDocs); log.info("文档：{}，切分后段落数：{}", fileName, splitDocs.size()); allSplitDocs.addAll(splitDocs); } // 批量入库 int total = allSplitDocs.size(); log.info("准备向量入库：{} 个文本片段", total); new BatchVectorStore(vectorStore).addBatch(allSplitDocs); log.info("知识库初始化完成，共导入 {} 个文本片段", total); } catch (Exception e) { log.error("知识库初始化失败", e); throw new RuntimeException("KnowledgeBase init failed", e); } } }

Step 2：RAGConfig.java（Advisor配置）

@Configuration public class RAGConfig { private final VectorStore vectorStore; public RAGConfig(VectorStore vectorStore) { this.vectorStore = vectorStore; } @Bean public QuestionAnswerAdvisor questionAnswerAdvisor() { return QuestionAnswerAdvisor.builder(vectorStore) .searchRequest(SearchRequest.builder() .similarityThreshold(0.07) .topK(4) .build()) .documentContentKey("content") .build(); } @Bean public RetrievalAugmentationAdvisor retrievalAugmentationAdvisor() { VectorStoreDocumentRetriever retriever = VectorStoreDocumentRetriever.builder() .vectorStore(vectorStore) .similarityThreshold(0.05) .topK(4) .build(); ContextualQueryAugmenter queryAugmenter = ContextualQueryAugmenter.builder() .allowEmptyContext(true) .build(); return RetrievalAugmentationAdvisor.builder() .documentRetriever(retriever) .queryAugmenter(queryAugmenter) .build(); } @Bean public ChatClient chatClient(ChatModel chatModel) { return ChatClient.builder(chatModel) .defaultSystem(""" 你是友好的电商客服顾问，仅基于提供的知识库内容回答用户问题，规则如下： 1. 回答需亲切、简洁、准确，符合电商客服沟通语气，避免生硬表述； 2. 涉及政策规则时，分点说明关键信息，让用户一目了然； 3. 回答末尾必须标注信息来源（格式：信息来源：[文档名称 - 相关条款类别]）； 4. 若未查询到相关信息，回复"非常抱歉，暂未查询到该问题的相关规则，建议联系人工客服咨询~"； 5. 仅回应与电商购物（退换货、促销、物流等）相关的问题，无关问题直接回复上述统一话术。 """) .build(); } }

Step 3：CustomerServiceController.java（问答接口）

@RestController @RequestMapping("/ecommerce/service") public class CustomerServiceController { private final ChatClient chatClient; private final QuestionAnswerAdvisor questionAnswerAdvisor; private final RetrievalAugmentationAdvisor retrievalAugmentationAdvisor; public CustomerServiceController( ChatClient chatClient, QuestionAnswerAdvisor questionAnswerAdvisor, RetrievalAugmentationAdvisor retrievalAugmentationAdvisor) { this.chatClient = chatClient; this.questionAnswerAdvisor = questionAnswerAdvisor; this.retrievalAugmentationAdvisor = retrievalAugmentationAdvisor; } @GetMapping("/chat/precise") public Map<String, String> preciseChat(@RequestParam("question") String question) { String answer = chatClient.prompt() .user(question) .advisors(List.of(questionAnswerAdvisor)) .call() .content(); return Map.of( "question", question, "answer", answer, "mode", "precise（精准条款查询）" ); } @GetMapping("/chat/enhanced") public Map<String, String> enhancedChat(@RequestParam("question") String question) { String answer = chatClient.prompt() .user(question) .advisors(List.of(retrievalAugmentationAdvisor)) .call() .content(); return Map.of( "question", question, "answer", answer, "mode", "enhanced（复杂场景增强）" ); } }

Step 4：启动与验证

• mvn spring-boot:run启动应用；
• 观察日志，确认知识库初始化完成；
• 访问http://localhost:8080/ecommerce/service/chat/precise?question=新疆地区订单多少金额包邮？；
• 预期响应：

  { "question": "新疆地区订单多少金额包邮？", "answer": "新疆属于偏远地区，订单金额满199元可享受包邮服务，不满199元需收取20元运费哦~ 信息来源：[电商知识库标准条款文档模板 - 物流服务标准]", "mode": "precise（精准条款查询）" }

6. 常见问题与排查技巧实录：那些文档里不会写的坑

6.1 问题速查表

6.2 独家避坑技巧

技巧1：用/actuator/health暴露Milvus连接状态
在pom.xml加spring-boot-starter-actuator，application.properties加：

management.endpoints.web.exposure.include=health,info,metrics,prometheus management.endpoint.health.show-details=always

启动后访问http://localhost:8080/actuator/health，能看到milvus健康状态。这是线上巡检第一道防线。

技巧2：知识库更新不重启服务
@PostConstruct只在启动时执行。要支持热更新，加一个@RestController：

@PostMapping("/knowledge/reload") public String reloadKnowledge(@RequestParam String fileName) { // 重新读取fileName，切分，addBatch return "Reloaded: " + fileName; }

配合前端上传按钮，实现运营人员自助更新。

技巧3：测试用例必须覆盖“坏问题”
除了正常问题，必须写JUnit测试：

@Test void testIrrelevantQuestion() { String question = "怎么办理信用卡？"; String answer = chatClient.prompt() .user(question) .advisors(List.of(questionAnswerAdvisor)) .call() .content(); assertTrue(answer.contains("非常抱歉，暂未查询到该问题的相关规则")); }

我们规定：RAG项目上线前，坏问题测试覆盖率必须100%。

7. 系统扩展与生产就绪：从Demo到企业级应用的最后一步

7.1 多格式文档支持：不只是PDF和DOCX

要支持Excel（价格表）、PPTX（培训材料）、TXT（日志规则），只需加依赖和Reader：

<!-- Excel支持 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-apache-poi-document-reader</artifactId> </dependency> <!-- PPTX支持 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-apache-poi-document-reader</artifactId> </dependency>

然后在KnowledgeBaseConfig里：

if (fileName.endsWith(".xlsx")) { XlsxDocumentReader reader = new XlsxDocumentReader(resource); rawDocs = reader.read(); } else if (fileName.endsWith(".pptx")) { PptxDocumentReader reader = new PptxDocumentReader(resource); rawDocs = reader.read(); }

7.2 权限控制：RBAC不是可选项，是必选项

电商知识库可能含敏感政策。用Spring Security加：

@Configuration @EnableWebSecurity public class SecurityConfig { @Bean public SecurityFilterChain filterChain(HttpSecurity http) throws Exception {